常用的声学特征有FBANK、MFCC、PLP等， MFCC特征各纬度之间具有较弱的相关性，适合GMM的训练，FBANK相比MFCC保留了更原始的声学特征，多用于DNN的训练。

语音中有频谱倾斜现象，即低频具有较高能量，需加重高频语音能量，使高频信息凸显出来。 x ′ [ t ] = x [ t ] − a x [ t − 1 ] x'[t]=x[t]-ax[t-1] x′[t]=x[t]−ax[t−1] 其中x[t]表示音频数据的第t个采样点，a通常取值(0.95,0.99)

一般每帧帧长为20ms或者25ms，假设采样率为16kHz，帧长为25ms，则一帧有16000*0.025=400个采样点。为确保声学特征参数的平滑性，一般采用重叠取帧的方式，即相邻帧之间存在重叠部分（帧移一般为10ms）。

特征提取时，每次取出窗长为25ms的语音，进行离散傅立叶变换计算出一帧，接着步移10ms继续计算下一帧，相当于加了矩形窗。二棱角分明的矩形窗容易造成频谱泄露，可以选择使用海明窗（Hamming Window）、汉宁窗(Hanning Window)等。加窗计算方式为： x ′ [ t ] = w [ n ] x [ n ] x'[t] = w[n]x[n] x′[t]=w[n]x[n] 其中x[n]是所取窗口（窗长为N，即N个采样点）之内的第n个采样点，w[n]是对应权重，不同加密方式权重不一样。本质上加窗也是卷积。

从每一段加窗后的音频中分别提取出频域信息。DFT的一个实现方法是快速傅立叶变换（FFT），可将事件复杂度从 O ( N 2 ) O(N^2) O(N2)降为 O ( N l o g 2 N ) O(Nlog_{2}N) O(Nlog2​N)，但是需要保证窗长N是2的指数。如果原窗长为400，一般在音频信号末尾补零扩展为512。

语音信号经过短时傅立叶变换（STFT）后得到的频谱为对称谱，取正频率轴的频谱曲线，并且将每一帧的频谱值按时间顺序拼接起来。

人耳对不同频率的感知程度不一样，频率越高敏感度越低，因此人耳的频域感知是非线性的，用梅尔刻度进行刻画。反映了人耳线性感知的梅尔频率Mef(f)与普通频率f之间的关系。即 M e l ( f ) = 1127 l n ( 1 + f / 700 ) Mel(f) = 1127 ln(1+f/700) Mel(f)=1127ln(1+f/700)

计算方式与加窗类似，越往高频，滤波器窗口越大，窗口扩大的量级与梅尔刻度一致。滤波器的个数就是梅尔频段的总数目，通常为几十。

梅尔频谱的能量数值取对数得到FBANK特征，对数计算增强了特征的鲁棒性。用于DNN训练时，FBANK的维度就是梅尔滤波器的个数，常取20～40之间。

FBANK中含有基频的谐波（相当于频谱中的毛刺），不利于整体轮廓（包络）的显现，并且各维度之间具有较高的相关性，不适宜GMM学习。MFCC的目的是消除与音素判别关系不大的谐波，保留包络信息。对FBANK特征每帧进行离散傅立叶变换（IDFT）可以将包络与谐波分开，等价于对每帧FBANK进行离散余弦变换（DCT），生成结果记为倒谱。

语音是时序信号，故声学特征的帧与帧之间并不是孤立的，是连续变化的，前后的变化往往包含一些声音线索，动态特征可以显示特征随时间变化的程度，常采用一阶差分、二阶差分，一阶差分计算方式： d [ t ] = ( c [ t + 1 ] − c [ t − 1 ] ) / 2 d[t] = (c[t+1]-c[t-1])/2 d[t]=(c[t+1]−c[t−1])/2 其中c[t]表示第t帧MFCC特征，二阶差分则是一阶差分的差分。通常用来训练GMM的声学特征共39维：12MFCCs+Energy(13维)+12 Δ MFCCs+ Δ Energy(13维) + 12 Δ2 MFCCs + Δ2 Energy(13维)

备注：对数计算好处包含一定程度上增加非线性，平滑数据、缩小数据范围，防止溢出、将乘变为加，计算方便、与softmax合用便于梯度计算和传递等。

能实现在低频率范围具有较高的频率分辨率，在高频率范围有较高的时间分辨率，可应用于声纹识别。

语谱图、FBank、MFCC和PLP都采用短时傅立叶变换（STFT），具有规律的线性分辨率，而CQCC则具有几何级的分辨率。FBANK和MFCC都采用Mel滤波器组，而PLP则利用Bark滤波器组模拟人耳听觉特性。通过不同提取方法得到的声学特征所表征的语言特点是不同的，FBank保留更多的原始特征，MFCC去相关性较好，而PLP抗噪性更强。

参考地址：https://mp.weixin.qq.com/s/wowvIK5sspVR7ogF-3keYA